新的开源框架助力SNN硬件设计探索

研究人员开发了一个开源框架，用于模拟和探索混合信号脉冲神经网络（SNN）的设计空间。该工具将器件级非线性直接集成到PyTorch中进行训练和推理，允许优化物理突触参数而非抽象权重。该框架支持多种神经元模型，包括Leaky Integrate-and-Fire、Hodgkin-Huxley和Axon-Hillock，以及非易失性模拟突触。它已在N-MNIST、DVS Gesture和Spiking Heidelberg Digits等基准测试上进行了评估，报告了分类准确率以及硅面积和功耗等硬件特定指标。 AI

影响 能够为边缘计算应用的神经形态硬件实现更高效的设计和优化。

排序理由 该条目描述了一个用于模拟脉冲神经网络的新开源框架，该框架已在arXiv论文中详细介绍。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.NE (Neural & Evolutionary) 阅读 →

• arXiv
• axon hillock
• DVS Gesture
• Hodgkin-Huxley-Katz Prize Lecture
• N-MNIST
• PyTorch
• Spiking Heidelberg Digits

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →